🔧 输出解析器

# 模型返回的是 AIMessage 对象，内容是字符串
resp = model.invoke("用JSON描述一个人")
print(type(resp))        # → AIMessage
print(type(resp.content))# → str，是 '```json\n{"name":"张三"}\n```' 这种
# 想拿到 dict？得自己 strip 掉 markdown、json.loads、处理异常...很繁琐

class BaseOutputParser(BaseLLMOutputParser, RunnableSerializable):
    """所有输出解析器的基类。

    本身是个 Runnable —— 输入 AIMessage/str，输出解析后的目标类型。
    所以可以直接放在管道末端：prompt | model | parser
    """

    def parse(self, text: str) -> Any:
        """核心方法：把字符串解析成目标类型。子类必须实现。"""
        raise NotImplementedError

    def parse_result(self, result, *, partial=False):
        """解析 GenerationResult，默认实现是调 parse。"""
        return self.parse(result.generations[0].text)

    def get_format_instructions(self) -> str:
        """返回给模型的"格式说明"，告诉模型该怎么输出。
        例如 PydanticOutputParser 会生成 schema 描述。"""
        return ""

class StrOutputParser(BaseTransformOutputParser):
    """解析器，把 AIMessage/Generation 的文本取出来。"""

    def parse(self, text: str) -> str:
        return text
    # 配合 _transform 方法，从 AIMessageChunk 流中提取 .content

# pip install langchain
from langchain_core.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field

class Recipe(BaseModel):
    name: str = Field(description="菜名")
    ingredients: list[str] = Field(description="所需食材")
    steps: list[str] = Field(description="制作步骤")

parser = PydanticOutputParser(pydantic_object=Recipe)

# 关键：生成给模型的格式说明
instructions = parser.get_format_instructions()
print(instructions)
# 输出（节选）:
# "The output should be formatted as a JSON instance that conforms
#  to the JSON schema below.
#  {"properties": {"name": {...}, "ingredients": {...}, "steps": {...}},
#   "required": [...], "title": "Recipe"}
#  ..."

# 把这段说明塞进 prompt 的变量里，模型就会按格式输出
# 然后 parser.parse() 把字符串变成 Recipe 对象

# pip install langchain
from langchain_core.output_parsers import (
    StrOutputParser, JsonOutputParser, PydanticOutputParser,
    CommaSeparatedListOutputParser,
)
from langchain_core.messages import AIMessage
from pydantic import BaseModel, Field

# ============ ① StrOutputParser：取 .content ============
str_parser = StrOutputParser()
result = str_parser.invoke(AIMessage(content="你好"))
print("Str:", repr(result))  # → '你好'   （是 str，不是 AIMessage）

# ============ ② JsonOutputParser：解析 JSON 字符串 ============
json_parser = JsonOutputParser()
# 模型常返回带 markdown 代码块的 JSON，解析器会处理
result = json_parser.invoke(AIMessage(content='```json\n{"a": 1, "b": 2}\n```'))
print("Json:", result, type(result))  # → {'a': 1, 'b': 2} <class 'dict'>

# ============ ③ 列表解析器 + 格式指令 ============
list_parser = CommaSeparatedListOutputParser()
print("指令:", list_parser.get_format_instructions())
# → "Your response should be a list of comma separated values..."
result = list_parser.invoke(AIMessage(content="苹果, 香蕉, 橘子"))
print("List:", result)  # → ['苹果', '香蕉', '橘子']

# ============ ④ PydanticOutputParser 完整流程 ============
class Movie(BaseModel):
    title: str = Field(description="电影名")
    rating: float = Field(description="评分 0-10")

pyd_parser = PydanticOutputParser(pydantic_object=Movie)
# 看 format_instructions
print("\n格式指令:", pyd_parser.get_format_instructions()[:80], "...")

# 模拟模型按格式输出
fake_output = AIMessage(content='{"title": "盗梦空间", "rating": 9.3}')
movie = pyd_parser.invoke(fake_output)
print("Movie:", movie, type(movie))  # → Movie(title='盗梦空间', rating=9.3)


# ============ ⑤ 管道模式（LC5 预告）============
# pip install langchain-openai
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

model = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是电影专家。{format_instructions}"),
    ("human", "推荐一部{genre}电影"),
])

# prompt | model | parser —— 完整链（LC5 详解这个 | 语法）
chain = prompt | model | pyd_parser
result = chain.invoke({
    "genre": "科幻",
    "format_instructions": pyd_parser.get_format_instructions(),
})
print("管道结果:", result, type(result))  # 直接拿到 Movie 对象